[논문 리뷰] Nonparametric Double Robustness

Ashley I. Naimi, Edward H. Kennedy|arXiv (Cornell University)|2017. 11. 20.

Advanced Causal Inference Techniques참고 문헌 36인용 수 11

한 줄 요약

이 논문은 비모수 이중로버스트 추정량(예: 보정된 역확률가중치화, 목표최대우도추정)이 복잡하고 고차원적인 데이터에 적용되었을 때 단일로버스트 방법(예: g-계산, 역확률가중치화)보다 유의미하게 뛰어난 성능을 보임을 보여준다. 몬테카를로 시뮬레이션을 통해 이중로버스트성은 모형 오특정이 있을 경우에도 효율성과 추론의 타당성을 유지함을 보이며, 관찰 연구에서 비모수 이중로버스트 방법을 선호할 만하다.

ABSTRACT

Use of nonparametric techniques (e.g., machine learning, kernel smoothing, stacking) are increasingly appealing because they do not require precise knowledge of the true underlying models that generated the data under study. Indeed, numerous authors have advocated for their use with standard methods (e.g., regression, inverse probability weighting) in epidemiology. However, when used in the context of such singly robust approaches, nonparametric methods can lead to suboptimal statistical properties, including inefficiency and no valid confidence intervals. Using extensive Monte Carlo simulations, we show how doubly robust methods offer improvements over singly robust approaches when implemented via nonparametric methods. We use 10,000 simulated samples and 50, 100, 200, 600, and 1200 observations to investigate the bias and mean squared error of singly robust (g Computation, inverse probability weighting) and doubly robust (augmented inverse probability weighting, targeted maximum likelihood estimation) estimators under four scenarios: correct and incorrect model specification; and parametric and nonparametric estimation. As expected, results show best performance with g computation under correctly specified parametric models. However, even when based on complex transformed covariates, double robust estimation performs better than singly robust estimators when nonparametric methods are used. Our results suggest that nonparametric methods should be used with doubly instead of singly robust estimation techniques.

연구 동기 및 목표

• 단일로버스트 추정량과 이중로버스트 추정량을 사용할 때 비모수 방법의 원인추론 성능을 평가하기 위해.
• 비모수 기법을 사용할 경우 단일로버스트 방법의 한계(비효율성, 타당하지 않은 신뢰구간 등)를 해결하기 위해.
• 복잡하고 비모수적 공변량 조정을 사용할 경우 모형 오특정이 있을 때 이중로버스트성이 추정을 안정화시킬 수 있는지 조사하기 위해.
• 다양한 표본 크기와 데이터 생성 메커니즘에서 단일로버스트 및 이중로버스트 추정량의 비모수적 및 모수적 구현 방식을 비교하기 위해.

제안 방법

• 10,000회의 반복을 포함한 몬테카를로 시뮬레이션을 사용하여, 모형이 올바르게 지정되었는지 여부와 모수적/비모수적 추정 방식에 따라 추정 성능을 비교하였다.
• 단일로버스트 방법으로는 g-계산과 역확률가중치화를 포함하고, 이중로버스트 방법으로는 보정된 역확률가중치화와 목표최대우도추정을 포함한다.
• 기계학습, 커널 스무딩, 스태킹과 같은 비모수 기법을 사용하여 결과나 성향스코어를 모델링함으로써 모수적 가정을 피한다.
• 표본 크기(50, 100, 200, 600, 1200 건)에 따라 편향과 평균제곱오차(MSE)를 계산하고 비교한다.
• 모형이 올바르게 지정되었을 경우와 오특정된 경우를 모두 고려하여 성능을 평가하며, 비모수적 구현의 탄력성에 초점을 맞춘다.
• 비모수 기법을 사용할 경우 이중로버스트성이 통계적 타당성과 효율성을 유지하는지 평가하는 프레임워크를 구축한다.

실험 결과

연구 질문

• RQ1 모형 오특정이 있을 경우 비모수적 단일로버스트 추정량(예: g-계산, 역확률가중치화)의 편향과 평균제곱오차(MSE)는 어떻게 되는가?
• RQ2 진짜 모형이 알려지지 않았을 때 비모수적 이중로버스트 추정량(예: 보정된 IPW, TMLE)이 단일로버스트 방법보다 더 낮은 편향과 MSE를 유지하는가?
• RQ3 표본 크기가 비모수적 이중로버스트 추정량의 성능에 미치는 영향은 단일로버스트 방법과 비교해 어떻게 되는가?
• RQ4 비모수 기법을 사용해 결과나 성향스코어를 추정할 경우, 이중로버스트성이 모형 오특정을 보완할 수 있는가?

주요 결과

• 모형이 모수적으로 정확하게 지정된 경우, g-계산이 편향과 평균제곱오차 측면에서 가장 우수한 성능을 보였다.
• 비모수 기법을 사용한 경우, 이중로버스트 추정량은 항상 단일로버스트 추정량보다 편향과 평균제곱오차 측면에서 뛰어났다.
• 복잡하고 변환된 공변량이 있을 경우에도 비모수적 이중로버스트 추정량은 단일로버스트 대비 낮은 편향과 향상된 효율성을 유지했다.
• 비모수 모형을 사용한 단일로버스트 방법은 타당하지 않은 신뢰구간과 비효율성 등의 열악한 통계적 성질을 보였다.
• 모형 오특정이 있을 경우 성능 향상이 가장 두드러졌으며, 이중로버스트성은 편향에 대한 중요한 보호 기능을 제공했다.
• 결과는 복잡하고 고차원적인 데이터를 가진 관찰 연구에서 비모수적 이중로버스트 방법을 선호할 만하다는 것을 뒷받침한다.